当物理学家停止和 Claude 较劲：Anthropic 抛出「Claude 形状的问题」

如果说过去一年 AI 圈讨论的是“模型能不能做科研”，那么 Anthropic 最新一篇文章换了个更接地气的问题：你该怎么用模型，才能让它真正帮上科研的忙？

10 月 1 日，Anthropic 官方科学博客放出一篇客座文章，作者是哈佛物理学家马修·施瓦茨（Matthew Schwartz）。文章抛出一个新说法——「Claude 形状的问题」（Claude-shaped problems），并配上他自己搭的一套开源工具 BootLoops，把“人机协作做科学”这件事讲得很具体。

核心看点

• “阻抗失配”才是症结：模型很强，但把它当人类科学家来用，不是发挥它科学优势的最佳方式。
• 从“纠正它”到“顺着它”：去年施瓦茨还在逐句改 Claude 的稿子，今年改为寻找“最适合模型去解的问题”，效率彻底变了。
• BootLoops：一套面向定量科学的精确计算工具箱，本质上是给大模型套的“马具”（harness），用法类似 Claude Code 之于 Claude。
• 硬核成果：几周内端到端跑通 30 个费曼积分，其中 15 个是此前从未被算出来的。
• 真实世界的检验：它把生态学里搁置 20 年的一条方程解了出来，还落到巴拿马的森林数据上。
• 诚实的提醒：Claude 常常“技术上正确”，但结果未必“科学上有趣”，最后还是得靠领域专家把关。

什么叫“阻抗失配”？

物理学里，“阻抗失配”指的是两个系统各自运转良好，但接口不匹配，导致大部分信号传不过去。施瓦茨认为，当下科学家和 AI 的关系正是如此：模型聪明、会写代码、懂数学，但你得像带孩子一样一路扶着，才能让它产出真正有价值的科学结果。他直言：Claude 和 GPT 很擅长科学，但它们不是科学家。

原因也不难理解——眼下最出圈的那些“AI 攻克难题”案例，大多集中在数学领域，因为数学的问题可以被完整表述、答案可以被绝对验证。而绝大多数科学并不是这样。

转折点：从“研究助理”到“帮我找问题”

去年 12 月，施瓦茨把 Claude 当研究助理用，评价是“像一名 20 倍速的强研究生”。但过程很折磨：每一句话都要改，还得不断把它从死胡同里拉回来。

今年夏天他换了个思路：不再把它当成“我希望它成为的合作者”，而是接受“它实际是什么”。于是任务变了——不再逼它解决人类的难题，而是主动去找那些天然适配当前大模型能力的问题。

BootLoops 是怎么来的

他先让 Claude 为一类数学物理问题做一套顺手的工具，结果这套工具很快被用到别处，逐渐长成一个软件加科研流程的集合，schwartz 给它起名 BootLoops。文中一个关键细节是：当 Anthropic 发布 Claude Fable 5 后，他让它把散落在 Wolfram、C++、Python、Julia 甚至“只有论文没有代码”的各种方法，统一移植到一个框架里。结果 Claude 用大约 20 分钟复现了他当年花几周写出来的结果，还反过来告诉他：你这个算法很低效，有更好的做法。

更狠的一步是从对数类积分扩展到椭圆函数类的费曼积分——这类积分连资深专家都很少碰，已知的案例屈指可数。Claude 把整套机器推广了过去，几周内就端到端跑通 30 个积分：15 个是该新方法的复现，另外 15 个是历史上第一次被算出来。

跨界的惊喜与“专家的那一脚”

科学里有个有趣的现象：同一个方程会反复出现在不同领域。Claude 于是不断提示：这套积分可以对应到群体遗传学里的贝叶斯证据积分，费曼积分的有限域方法还能用到演化生物学。施瓦茨顺着这些线索一路追到了地质学、生物学、经济学、语言学。

生态学那条最有代表性：2005 年生态学家拉姆帕尔·艾蒂安给“中性理论”写下一个可检验的方程，但 20 年来没人能在大规模上解出来。Claude 认出它是“BootLoops 形状的”，直接解了。拿去套巴拿马运河巴尔科罗拉多岛——地球上被研究得最多的森林——的数据，结论是当地树种组成的变化速度，比中性理论允许的快了 4.5 倍。

但施瓦茨没有就此发论文。他把结果拿给植物学教授詹姆斯·奥德怀尔看，对方的回答很克制：技术上是壮举，可这个结论“多半会被很多生态学家耸耸肩带过”，因为大家早就更定性地知道中性理论跟不上真实森林。专家随后出了更好的主意：把中性预测减掉，去研究剩下的残差，看看哪些变化来自自然选择、竞争和物种差异。三人最终打磨出一个极简的预测模型，与数据吻合得相当好。

总结

这篇文章最有价值的地方，不是“AI 又攻克了什么”，而是它给出了一套可复制的方法论：别指望模型像个科学家那样思考，而是给它造一副合适的马具，去找那些“它能做得特别好”的问题。 施瓦茨也承认，当 Claude 在他的本行说“这个结果棒极了”时，他能判断真假——而且常常是假的；一旦跨到别的领域，连他都会不自觉点头。所以他反复强调：技术上的正确，不等于科学上的有趣，专家引导仍然不可或缺。

换句话说，AI 加速科研的下一步，可能不是更强的模型，而是更聪明地用它的方式。

来源：Anthropic 科学博客客座文章《Claude-shaped science》（2026-10-01），作者 Matthew Schwartz。